《表2 各指标熵权：天津市房地产金融风险指数构建研究》
提示：宽带有限、当前游客访问压缩模式
第一步：本文首先通过熵权法对前述四项指标进行赋权。若指标信息熵越小，则该指标包含的信息量越大，则应赋予较高权重，反之亦反。计算得到的各指标熵权如表2所示：
| 图表编号 | XD003671300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.11.25 |
| 作者 | 周中明、贾昱宁 |
| 绘制单位 | 中国人民银行天津分行、中国人民银行天津分行 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 ADF检验结果：基于熵权法的IFI指数构建及其风险机制研究》2020.07.10
- 《表1 天津市区域系统性金融风险理论指标选择》2020.12.25
- 《表1 金融风险指标构建及选取》2021.01.01
- 《表1 0 西部地区房地产业金融风险压力指数预测》2020.03.10
- 《表9 西部地区房地产金融风险压力指数模型参数》2020.03.10
- 《表8 西部地区房地产金融风险压力指数模型统计》2020.03.10
- 《表7 西部地区房地产金融风险压力指数模型描述》2020.03.10
- 《表4 各指标正负理想解：基于熵权TOPSIS法的房地产投资项目评价模型研究》2020.03.15
- 《表3 指标变量权重：中国出口风险指数的构建与测算研究——以中美贸易摩擦为背景》2020.01.28
- 《表3 天津房地产金融系统风险评估指数构建指标情况表》2020.02.25
- 《表9 天津房地产金融系统风险预警区间情况表》2020.02.25
- 《表2 西藏自治区金融发展各指标的熵权》2019.12.01
- 《表4 主成分分析结果：中国金融风险预警指数的构建》2019.04.26
- 《表9 预警状态表：基于人工神经网络的房地产金融风险预警体系构建——以柳州市为例》2019.03.01
- 《表7 旋转成分矩阵a：基于人工神经网络的房地产金融风险预警体系构建——以柳州市为例》2019.03.01
- 《表1 0 描述统计量：基于人工神经网络的房地产金融风险预警体系构建——以柳州市为例》2019.03.01
- 《表4 标准化结果：基于人工神经网络的房地产金融风险预警体系构建——以柳州市为例》2019.03.01
- 《表8 因子得分：基于人工神经网络的房地产金融风险预警体系构建——以柳州市为例》2019.03.01
- 《表6 成分矩阵：基于人工神经网络的房地产金融风险预警体系构建——以柳州市为例》2019.03.01
- 《表1 判别区间汇总表：天津市房地产金融风险指数构建研究》2019.11.25